图源网络

摘  要：自动引导车(Automated Guided Vehicle， AGV)的应用极大优化了订单拣选过程中的货物搬运流程，同时也使员工与AGV的有效配合逐渐成为制约电商企业订单履约中心(Order Fulfillment Center， OFC)拣选效率的关键因素。本文基于京东OFC运作业务与实时数据，首先从员工行为视角识别出了包含员工类型、工作时段、当日已连续工作时长等影响订单拣选效率的核心因素。进一步建立生存分析回归模型，分析了各因素对不同类型员工的拣选效率影响差异，指出员工类型是影响拣选效率的主要因素。最后基于仿真平台将员工行为因素引入拣选任务指派，验证了生存分析模型及影响因素的有效性，结果显示考虑员工行为因素下可提升约23%订单拣选效率。
关键词：数据驱动; 拣选效率; 行为因素; 生存分析

一、研究背景与意义

当今仓储运营逐渐由传统的大批量小批次发货的配送中心转型成为向个体客户提供小批量多批次发货的订单履约中心(Order Fulfilment Center， OFC)，且消费者对商品到达时效性的要求越来越高。订单拣选作为物流系统的关键环节之一，是影响电商企业OFC履约能力最为重要的因素。自动引导车(Automated Guided Vehicle， AGV)的应用极大优化了订单拣选流程，并促进了订单拣选系统由“人到货”到“货到人”的转变。在以往“人到货”研究中，由于员工搜索货品行为的时间远小于员工到达货架所需时间，经常假设该时间是不依赖于具体员工而不变的或者该因素是可以忽略的。但伴随着AGV技术逐步走向成熟以及物联网技术的应用，一项以往被忽略的制约拣选效率的因素逐渐凸显出来：人与AGV(机器人)的配合。

然而以往关于AGV的研究关注点多集中于AGV路径、AGV系统设计和调度算法等领域。在“货到人”拣选系统中，不同拣选员工的个人差异，如工作经验、工作时段、拣选不同商品、加班适应性等，对员工拣选效率具有重要影响。

人的行为因素在运营管理中也一直受到广泛关注。在订单拣选中，OFC内的拣选人员往往具有较高的人员流动性。在订单突发时期，如“双11”、新冠疫情等，订单总额比平时高出10余倍。OFC运作中更是需要雇佣大量的临时员工处理积压订单，这对通过研究员工行为提升订单拣选效率提出了更高挑战。综上所述，在基于AGV的“货到人”订单拣选系统中，仅从仓储布局、订单分批及任务调度、路径规划等方面进行分析，已较难提升OFC的订单拣选效率。本研究所收集数据显示约62.7%的订单在拣选中是AGV在等待拣选人员，特别是在“订单突发”时期该比例上升到约71.3%。只有突破制约订单拣选效率真正瓶颈——人与AGV有效配合，才能实质性的提高订单拣选效率。

二、主要内容

作为第一篇评估影响员工拣选时间的因素的实证研究，Batt和Gallino将仓储内员工拣选效率的影响因素分为经验和物理因素两方面。本文遵循并用更多的维度来刻画两方面因素在经验方面，本文重点考虑员工的类别(通过聚类得到)和员工当天连续工作小时数;在物理因素方面，本文考虑商品所在的货架位置、是否为促销期间(618，双11，双12)、是否为高温环境(超过35℃)，同时除了考虑作为每周颗粒度的时间因素外，将更细致的每天的颗粒度纳入模型(即排班)。

本研究中充分利用计量模型与机器学习模型各自存在着自身的优势，本研究作为第十二届中国优选法统筹法与经济数学研究会青年论坛优秀论文，在评审专家组指导下、基于京东物流的运营数据、应用辽宁省大数据管理与优化决策重点实验室的计算资源完成以下研究。技术路线如图1所示，具体研究思路与步骤如下：(1)指出研究问题：针对京东(下称“J企业”)无人仓员工拣选效率进行探索和研究。(2)员工聚类与影响拣选效率的关键因素识别，通过聚类与统计分析得到影响效率的关键因素，包括考虑员工类型(通过聚类得到)、工作时段、员工当日连续工作时间等。(3)生存分析建模，分析各因素对拣选效率的影响，同时考虑非线性效应与员工类别的交互效应。(4)仿真模型构建与分析，围绕订单积压量(即待拣选订单量)评价指标与进行分析，得出考虑各影响因素下对拣选效率改进的幅度。以此实现分析无人仓运作模式、识别提升拣选效率的瓶颈影响因素、优化拣选系统效率，特别在订单突发时期，提供运作管理理论与方法上的支持。

三、主要结论和管理启示

本文主要分析员工类型(K-means算法聚类成Ⅲ型、Ⅱ型与Ⅰ型员工三类)、工作时段(排班)、连续工作时长等因素对拣选效率的影响。其中连续变量均无强相关性，不存在共线性问题。因变量是拣选时间，表示员工完成一次拣选任务所花费的时间(以秒为单位)。由于因变量是持续时间，本文采用生存分析中的Accelerated Failure Time (AFT)模型进行分析。该模型将持续时间的对数、其它变量和随机误差项通过线性模型表示。

结果表明，员工在不同排班下表现的效率并不相同。相较于凌晨时段，员工在日间和晚间时段的效率平均要高出3.7%和10.5%。平均而言，Ⅲ型、Ⅱ型、Ⅰ型员工的效率依次升高。商品所在的货架位置越高，拣选效率越高。一般地，相较于货架第一层(最高层)而言，拣选第二~五层分别平均多耗时7.3%~35.3%。其余因素也会影响员工效率，员工当天连续工作时长每增加1小时，其拣选时间平均增加1.2%;员工工作经验每增加1%，其拣选效率平均提高0.089%;拣选任务中每增加一个单位的商品，拣选时间平均会增加14.8%;货架中的商品数量每增加100个单位，拣选时间平均增加0.2%;当为促销期间时，员工效率平均提高9.3%;高温天气平均降低了5.0%的效率。另外，在将排班、商品所在货架位置、员工类型三个因素逐步添加到模型中时，各变量的估计系数均显著且稳定，说明了模型与各变量影响效应的稳健性。

(1)员工类型与排班因素的交互效应表明，Ⅰ型员工在三个时段效率均为最高，Ⅱ型员工在凌晨的员工要低于Ⅲ型员工、但在日间和晚间的效率均高于Ⅲ型员工。各类员工在不同时段的效率差别为后续合理的员工排班安排奠定了理论基础。

(2)员工类型与连续工作时长的交互效应表明，连续工作时长对不同类型员工的影响是稳健的。Ⅰ型(Ⅲ型)员工整体效率高(低)且效率持续下降;而Ⅱ型员工整体效率不如Ⅰ型员工高但效率先上升再下降。

(3)员工类型与货架位置的交互效应表明，随着货架位置变高，三类员工的效率分别显著升高。
因此，在考虑员工行为的拣选系统中，员工类型、排班、连续工作时长和商品所在货架位置是影响拣选效率的主要因素，并且合理的员工排班可以提高OFC的整体运转效率。

研究路线图

本文进一步采用仿真建模进行分析。仿真中的拣选时间按照生存分析公式生成，将不同类型的员工、工作时段、商品所在货架位置、连续工作时长等因素考虑进入调度模型后，构造仿真模型进行试验，从而进一步证实所提出的影响因素与优化后的系统排班的有效性，同时也揭示各因素对员工拣选效率的影响。在随机排班与优化后的系统排班情况下，通过比较员工类型的效率差别与需求积压量来分析排班对拣选效率的影响。

(1)相较随机排班，系统排班使Ⅲ型、Ⅱ型、Ⅰ型员工的拣选效率平均分别提升16.5%，17.4%，20.9%。说明合理的排班可使各类员工的效率均有提升，且Ⅲ型、Ⅱ型、Ⅰ型员工的效率提升幅度依次变大，即系统排班捕捉并体现了各类员工之间的差异。具体地，Ⅰ型员工相较Ⅱ型员工效率提升为9.8%(随机排班)和13.1%(系统排班)，系统排班产生了3.3%的正向影响;Ⅰ型和Ⅱ型员工相较Ⅲ型员工时，系统排班产生了6.0%和1.1%的正向影响。

(2)与前文生存分析的结果一致，不同类型员工具有不同的技能和学习能力，存在较大的效率差异。随机(系统)排班时，Ⅲ型、Ⅱ型、Ⅰ型员工在三个时段的平均拣选量分别为951(1108)，1360(1597)，1493(1806)。Ⅰ型员工相较Ⅱ型和Ⅲ型效率分别高出9.8%(13.1%)和57.0%(63.0%)，Ⅱ型员工相较Ⅲ型员工效率高出43.0%(44.1%)。随机排班的平均积压量为153414，系统排班的平均积压量为118078，提升约23.0%。同时相较于随机排班(标准差为858.74)，系统排班的表现更为稳定(标准差为196.09)。说明系统排班具有高效性和稳定性的特点。

(3)连续工作会产生疲劳，从而影响拣选效率。与上述生存分析的结果一致，Ⅲ型、Ⅱ型、Ⅰ型员工的拣选效率(拣选量)依次升高。Ⅲ型和Ⅰ型员工效率逐渐下降，Ⅱ型员工拣选效率先上升后下降，说明Ⅱ型员工虽效率稍弱于Ⅰ型员工但效率不易下降，具有较强的稳定性。

综上，在OFC订单拣选过程中，合理的员工排班能稳定地提升系统的运转效率，并且可以显著提升各类员工的拣选效率、充分发挥各类员工的优势。

四、边际贡献与未来拓展

本文结合京东OFC运作所积累业务与实时数据，根据员工产生的拣选行为数据，应用机器学习聚类算法与肘部法则将员工分成三类。并通过数据分析提炼影响订单拣选效率的关键因素：工作时段、员工当日连续工作时间等。而后通过建立生存分析模型，对影响员工拣选效率的核心因素进行了量化分析，并考虑各关键因素对各类员工的交互与非线性效应。最后本文进一步通过京东仿真平台进行仿真分析，验证了分析模型的有效性。本文主要结论表明，员工行为因素(特别是员工类型)对订单拣选效率具有重要影响。当面临的拣选压力较大时，可适当给Ⅱ型员工额外增加低层货架的拣选任务，以最优化OFC拣选效率。在实践上，本文研究可为OFC合理安排不同员工拣选任务类型及时间、综合提升订单拣选效率提供决策支持。

未来研究方向有：首先，AGV除了智慧仓储中应用外，未来还将在运输、制造和服务等领域的数智化改造进程中发挥重要作用。其次，如何营造更好的拣选环境(如降低加班引起的疲劳)，从而进一步提升员工拣选效率;如何在提升系统拣选效率同时，兼顾员工之间公平性等。

本文摘编自《系统工程理论与实践》第43卷第4期论文《无人仓订单拣选效率影响因素分析》（点击题目链接全文）；
作者：吴志樵^1,2,博士,教授,博士生导师,研究方向:供应链与运营管理；兰永恒¹, 硕士研究生,研究方向:管理科学；秦恒乐³,博士研究生,研究方向:物流仓储。
  1. 东北财经大学 管理科学与工程学院, 大连 116025;
  2. 辽宁省大数据管理与优化决策重点实验室, 大连 116025;
  3. 上海财经大学 信息管理与工程学院, 上海 200433